Sveitsin Lausannen julkisessa tutkimusyliopistossa EPFL:ssä kehitetyn tekoälyjärjestelmän väitetään pystyvän tuottamaan yksityiskohtaisia 3D-karttoja koralliriutoista jopa amatöörisukeltajien kyseenalaisesti valaistuista videomateriaalista – muutamassa minuutissa.
DeepReefMap-järjestelmään tarvittavat tiedot voivat kerätä kuka tahansa, jolla on vakiosukellusvarusteet ja kaupallisesti saatavilla oleva kamera.
Heidän tarvitsee vain uida hitaasti riutan yläpuolella useita satoja metrejä ja tallentaa videomateriaalia alla olevasta näkymästä.
Ainoat rajat ovat kameran akun kesto ja sukeltajan säiliössä olevan ilman määrä, EPFL sanoo ja väittää, että kehitys merkitsee "suurta harppausta syvänmeren etsintä- ja suojeluvalmiuksissa sellaisille organisaatioille kuin Transnational Red Sea Center (TRSC). )” – tieteellinen tutkimuslaitos, jota EPFL on isännöinyt vuodesta 2019 lähtien.
TRSC on tehnyt perusteellisia tutkimuksia niistä Punaisenmeren korallilajeista, jotka ovat osoittautuneet kestävimmiksi ilmaston aiheuttamaa stressiä vastaan, ja sen aloitteesta on tehty myös DeepReefMap-järjestelmän testausalusta.
Kartat hetkessä
EPFL:n School of Architecture, Civil & Environmental Engineering (ENAC) Environmental Computational Science & Earth Observation Laboratoryssa (ECEO) kehitetyn DeepReefMapin sanotaan pystyvän tuottamaan useita satoja metrejä 3D-riuttakarttoja hetkessä.
Ei vain sitä, vaan se voi myös tunnistaa korallien erityispiirteet ja ominaisuudet ja luokitella ne
"Tämän uuden järjestelmän avulla kuka tahansa voi osallistua maailman koralliriuttojen kartoittamiseen", sanoo TRSC-projektien koordinaattori Samuel Gardaz. "Se todella vauhdittaa alan tutkimusta vähentämällä työtaakkaa, laitteiden ja logistiikan määrää sekä IT-kustannuksia."
3D-koralliriuttakarttojen hankkiminen perinteisillä menetelmillä on osoittautunut haastavaksi ja kalliiksi aiemmin, EPFL sanoo.
Laskennallisesti intensiiviset rekonstruktiot perustuvat useisiin satoihin kuviin samasta hyvin rajallisen koon (muutaman kymmenen metrin) osasta riutta, jotka on otettu useista eri vertailupisteistä, ja vain erikoissukeltajat ovat pystyneet saamaan sellaisia kuvia.
Nämä tekijät ovat rajoittaneet voimakkaasti koralliriuttojen piirtämistä osissa maailmaa, joilla ei ole tarvittavaa teknistä asiantuntemusta, ja ne ovat estäneet laajojen kilometrien tai jopa satojen metrien mittaisten riuttojen tarkkailun.
Kuuden kameran ryhmä
Vaikka amatöörisukeltajat voivat tallentaa tietoja pienistä riutoista helposti DeepReefMapiin, saadakseen tietoja laajemmalta alueelta EPFL:n tutkijat ovat kehittäneet PVC-rakenteen, jossa on kuusi kameraa – kolme eteenpäin ja kolme taaksepäin. Kamerat ovat 1 metrin etäisyydellä toisistaan ja kokoonpanoa ohjaa edelleen yksi sukeltaja.
Tämän kuuden kameran sarjan sanotaan tarjoavan edullisen vaihtoehdon paikallisille sukellusryhmille, jotka toimivat rajoitetuilla budjeteilla.
Kun kuvamateriaali on ladattu, DeepReefMapilla ei sanota olevan ongelmia huonon valaistuksen tai vedenalaisissa kuvissa usein esiintyvien diffraktioiden ja syövyttävien vaikutusten kanssa.
"Syvät neuroverkot oppivat sopeutumaan näihin olosuhteisiin, jotka eivät ole optimaalisia tietokonenäköalgoritmeille."
Nykyiset 3D-kartoitusohjelmat toimivat luotettavasti vain tarkoissa valaistusolosuhteissa ja korkearesoluutioisissa kuvissa, ja ne ovat "myös mittakaavaltaan rajallisia", ECEO-professori Devis Tuia sanoo.
"Siellä resoluutiolla, jossa yksittäiset korallit voidaan tunnistaa, suurimmat 3D-kartat ovat useita metrejä pitkiä, mikä vaatii valtavasti käsittelyaikaa", hän sanoo. "DeepReefMapilla meitä rajoittaa vain se, kuinka kauan sukeltaja voi viipyä veden alla."
Terveyttä ja muotoa
Tutkijat väittävät myös helpottaneensa kenttäbiologien elämää sisällyttämällä "semanttiset segmentointialgoritmit", jotka voivat luokitella ja kvantifioida korallit kahden ominaisuuden mukaan.
Ensimmäinen ominaisuus on terveys – erittäin värikkäästä (hyvää terveyttä viittaavaan) valkoiseen (valkaisuun viittaavaan) ja levien peittoon (merkitsee kuolemaa) – ja toinen on muoto, jossa käytetään kansainvälisesti tunnustettua asteikkoa yleisimpien korallien luokittelussa. Punaisenmeren matalilla riutoilla (haaroittuva, lohkare, levy ja pehmeä).
"Tavoitteenamme oli kehittää järjestelmä, joka osoittautuu hyödylliseksi alalla työskenteleville tutkijoille ja joka voitaisiin ottaa käyttöön nopeasti ja laajasti", sanoo Jonathan Sauder, joka työskenteli DeepReefMapin kehittämisen parissa väitöskirjaansa varten.
”Esimerkiksi Djiboutilla on 400 kilometriä rantaviivaa. Menetelmämme ei vaadi kalliita laitteita. Tarvitaan vain tietokone, jossa on perusgrafiikkayksikkö. Semanttinen segmentointi ja 3D-rekonstruktio tapahtuvat samalla nopeudella kuin videon toisto."
Tutkijat uskovat, että teknologian avulla on helppoa seurata riuttojen muuttumista ajan myötä ja tunnistaa ensisijaiset suojelualueet.
Se antaa myös tutkijoille lähtökohdan muiden tietojen, kuten riuttalajien monimuotoisuuden ja rikkauden, populaatiogenetiikka, korallien sopeutumiskyvyn lämpimämpiin vesiin ja riuttojen paikalliseen saastumiseen, lisäämiselle. Tämä prosessi voi lopulta johtaa riutan täydellisen digitaalisen kaksosen luomiseen.
DeepReefMapia voitaisiin käyttää myös mangrovemetsissä ja muissa matalan veden luontotyypeissä, ja se toimii oppaana syvempien meren ekosysteemien tutkimisessa, EPFL sanoo.
"Tekoälyjärjestelmäämme rakennettua rekonstruktiokykyä voitaisiin helposti käyttää muissa ympäristöissä, vaikka hermoverkkojen kouluttaminen lajien luokitteluun uusissa ympäristöissä vie aikaa", Tuia sanoo.
Haaksirikon kartoitus?
"En odota kaupallista käyttöä (sekä kaupallisessa sukelluksessa että tuotteen myynnissä) pian", Jonathan Sauder sanoi. Divernet. "Menetelmä jää todennäköisesti kehitysvaiheeseen, ja käyttäjäystävällisempiä avoimen lähdekoodin julkaisuja on tulossa pian.
”3D-näkemys on kuuma kenttä koneoppimisen/robotiikan tutkimuksessa. Asiat etenevät erittäin nopeasti, ja odotan, että reaaliaikainen kartoitus saavuttaa "ChatGPT-hetken" seuraavien vuosien aikana, ja äkillisesti laajalle levinneen erittäin vahvojen algoritmien ohjaajina ovat suuret yritykset, joilla on näennäisesti rajattomat tutkimus- ja suunnittelubudjetit. katso!”
Voidaanko järjestelmää mukauttaa haaksirikon 3D-kartoitukseen? "3D-kartoitus on opittu algoritmi, mikä tarkoittaa, että se oppii harjoitusvideoista.
skenaariossamme koulutamme karttajärjestelmän riuttavideoille. Epäilen tällä hetkellä, että se toimisi hyvin haaksirikoissa, mutta voisi toimia paljon paremmin, jos sitä harjoitellaan suuria määriä videoita sellaisista kohtauksista.
"Toistaiseksi odotan, että paras tapa saada upeita 3D-rekonstruktioita haaksirikoista on edelleen perinteinen 3D-kartoitustyönkulku, jossa otetaan useita korkearesoluutioisia valokuvia, lasketaan kameran asennot Structure-from-Motion -ohjelmistolla, kuten Agisoft Metashape tai COLMAP, ja sitten mahdollisesti renderöimällä nämä kauniisti Gaussin merkintänä."
Lehdessä julkaistiin äskettäin artikkeli riuttakartoitustutkimuksesta Ekologian ja evoluution menetelmät.
Myös Divernetissä: Maailman koralliriutat ovat suurempia kuin luulimme…, 10 tapaa teknologialla pelastaa koralli, Syvä koralliriutta on maailman suurin tunnettu koralliriutta, 18-luvun kartat paljastavat korallien katoamisen
